Россия
Россия
Россия
Сверточные нейронные сети являются мощным инструментом для обработки и анализа изображений. Они позволяют автоматически извлекать признаки из входных данных и применять их для классификации, детектирования объектов и других задач компьютерного зрения. В статье представлена архитектура сверточных нейронных сетей, разработанная с использованием библиотеки Keras. Проведен анализ архитектуры сверточной нейронной сети, который состоит из нескольких последовательных слоев. Построена структура модели, которая будет обучаться с использованием оптимизатора Adam и мониторить метрики recall и precision в процессе обучения. Представлены результаты экспериментов, которые показали, что обученная модель успешно обнаруживает точки на изображениях, достигая высокой точности и полноты. Предложенная модель может быть использована в различных областях, где требуется обнаружение лицевых точек на фотографиях.
нейронная сеть, компьютерное зрение, анализ изображений, библиотека Keras, точки на изображениях
1. Тынченко С.В., Путилин В.О., Овсянникова А.К. Сравнение алгоритмов обнаружения и локализации лица на изображении // Молодой ученый. Красноярск, 2018. С. 105–108.
2. Матричный метод как способ определения антропометрических точек лица / А.И. Ситников [и др.] // Актуальные проблемы деятельности подразделений УИС: материалы Всерос. науч.-практ. конф. Воронеж, 2022. С. 193–194.
3. Мельников Н.А. Некоторые особенности определения антропологических характеристик лица на основе глубокого машинного обучения // Актуальные вопросы эксплуатации систем охраны и защищенных телекоммуникационных систем: материалы Всерос. науч.-практ. конф. Воронеж, 2022. С. 278–280.
4. Толстых А.А., Голубинский А.Н. Распознавание объектов на телевизионных изображениях с использованием аппарата сверточных нейронных сетей // Вестник Воронежского института МВД России: сб. науч. трудов. Воронеж, 2017. № 1. C. 71–81.
5. Гафаров Ф.М., Галимянов А.Ф. Искусственные нейронные сети и приложения: учеб. пособие. Казань: Изд-во Казанского ун-та, 2018. 121 с.
6. Толстых А.А., Голубинский А.Н. Выбор архитектуры искусственной нейронной сети на основе сравнения эффективности методов распознавания изображений // Вестник Воронежского института МВД России: сб. науч. трудов. Воронеж, 2018. № 1. C. 27–37.
7. Бутырский Е.Ю., Матвеев А.В. Математическое моделирование систем и процессов. СПб.: Информ. изд. учеб.-науч. центр «Стратегия будущего», 2022. 733 с. DOI:https://doi.org/10.37468/book_011222. EDN CCRIRT.
8. Толстых А.А., Голубинский А.Н. Сравнение эффективности методов изменения скорости обучения искусственных нейронных сетей в различных задачах классификации // Международный научно-исследовательский журнал: сб. науч. трудов. 2022. № 7–1 (121). C. 102–106.
9. Редькин В.С., Ситников А.И. Использование методов распознавания образов при видео фиксации для повышения безопасности объектов // Актуальные проблемы деятельности подразделений УИС: материалы Всерос. науч.-практ. конф. Воронеж, 2021. С. 233–234.
10. Ярышев С.Н., Рыжова В.А. Технологии глубокого обучения и нейронных сетей в задачах видеоанализа. СПб.: Ун-т ИТМО, 2022. 82 с.
11. Мельников Н.А., Ситников В.А., Никитенко В.А. Строение сверточной нейронной сети для определения контрольных точек лица человека // Технологии информационного общества: сб. трудов XVII Междунар. отрасл. науч.-техн. конф. М., 2023. С. 127–128.
